Агент прогноза продаж (Sales Forecast)

1️⃣ Прогноз выручки и маржинального дохода на основе портфеля заказов (кейс РТСофт + 1С:ERP+PM)

Ситуация: Проектная компания с длительным циклом сделок (от 3 до 12 месяцев). Руководство не имеет объективной картины будущей выручки — прогнозы строятся «на глаз», бюджеты утверждаются с погрешностями до 30–40%. Непонятно, какие сделки «зависают» и требуют вмешательства .

Действие агента:
1. Агент интегрируется с 1С:ERP+PM Управление проектной организацией. Ежедневно получает данные о портфеле заказов: все сделки, их стадии, плановые даты закрытия, суммы, переменные затраты .
2. Расчёт маржинального дохода: для каждого заказа агент вычисляет Маржинальный доход = Выручка - Переменные затраты и Маржинальная рентабельность = (МД / Выручка) * 100% .
3. Ранжирование заказов: агент ранжирует заказы по маржинальной рентабельности и применяет методы линейного программирования для выбора наиболее прибыльной комбинации заказов на следующий квартал .
4. Метод скользящего БДР: агент строит прогноз выручки на год по формуле Прогноз = YTD (факт с начала года) + YTG (прогноз до конца года). Прогноз YTG строится на основе текущего портфеля с учётом вероятности закрытия сделок на каждой стадии .
5. Анализ «зависших» сделок: агент выявляет сделки, по которым нет активности более 30 дней, и создаёт задачи в Битрикс24 для ответственных менеджеров с рекомендацией: «Сделка №ХХХ, клиент Y, сумма Z, нет активности 45 дней — провести переговоры, обновить вероятность закрытия».
6. Дашборд руководителя: в Yandex DataLens отображается прогноз выручки по месяцам, маржинальный доход, топ-10 сделок по влиянию на результат, список сделок в «красной зоне».

Результат:
✓ Точность прогноза выручки выросла с 60% до 92% .
✓ Сделки в «красной зоне» сократились на 40% за счёт своевременного вмешательства.
✓ Бюджеты утверждаются с отклонением менее 5% .
✓ Метод скользящего БДР позволяет ежемесячно корректировать планы с учётом новых данных .

2️⃣ Автоматическое прогнозирование спроса и управление запасами на маркетплейсах (кейс OSMI IT + NDA)

Ситуация: Международный бренд канцелярских товаров продаёт на Wildberries и Ozon по модели FBO. Категорийные менеджеры тратят 20+ часов в неделю на анализ остатков и формирование поставок. Из-за неточных прогнозов возникают OOS (потери выручки) или избыток товаров (замороженный капитал).

Действие агента:
1. Агент через API маркетплейсов ежедневно собирает данные о продажах, остатках, заказах за последние 2 года. Приводит данные из разных отчётов к единому формату .
2. ML-модель анализирует исторические данные, учитывает сезонность, аномальные всплески (например, невыкупы после распродаж), производственный календарь. Строит прогноз продаж на 7, 30, 90 дней с точностью 78% .
3. Двухфакторный ABC-анализ: агент классифицирует товары по матрице «Выручка × Количество заказов»:
— AA: самые ценные товары — приоритетное пополнение, страховой запас +20%.
— BB: стандартные товары — пополнение по алгоритму.
— CC: кандидаты на распродажу — не закупать, запустить акции .
4. Прогноз OOS: агент рассчитывает оборачиваемость каждого SKU (сколько дней осталось до дефицита). При остатке < 7 дней создаёт алерт в Telegram/Битрикс24 и формирует рекомендацию по поставке: «SKU 12345, прогноз продаж 150 шт./неделя, остаток 200 шт. — поставка 300 шт. через 5 дней».
5. Рекомендации в один клик: категорийный менеджер видит в веб-интерфейсе таблицу с SKU, прогнозом продаж, оборачиваемостью и рекомендацией. Нажимает «Сформировать поставку» — система создаёт файл в формате шаблона маркетплейса, готовый к загрузке .
6. Учёт ручных корректировок: менеджер может ввести страховой запас на случай форс-мажора, и агент пересчитает прогноз .

Результат:
✓ Время на управление запасами сокращено с 20 часов/неделя до 2 часов.
✓ OOS снижены на 35%, упущенная выручка уменьшилась на 28% .
✓ Оборачиваемость товаров выросла на 22%, «замороженный» капитал снижен .
✓ Точность прогноза — 78% на 7 дней .

3️⃣ ИИ-агент для повторных продаж (кейс Битрикс24, 2026)

Ситуация: B2B-компания с тысячами клиентов. Менеджеры физически не могут отслеживать, кому из прошлых покупателей пора сделать повторное предложение. Тысячи потенциальных сделок теряются, хотя клиенты готовы купить снова .

Действие агента:
1. Агент (встроенный AI Битрикс24) каждую ночь анализирует всю клиентскую базу: историю покупок, частоту заказов, средний чек, давность последней сделки, поведение клиента (открывал ли письма, заходил ли на сайт) .
2. ML-модель выявляет закономерности и определяет клиентов с высокой вероятностью повторной покупки. Например: «Клиент N покупал раз в 3 месяца, последняя покупка была 4 месяца назад — вероятность повторной сделки 78%».
3. Агент автоматически создаёт новые сделки в CRM для этих клиентов. В карточку сделки подгружается история взаимодействий, рекомендованный товар (на основе прошлых покупок), готовый скрипт разговора .
4. Менеджер получает уведомление: «Новая сделка №ХХХ, клиент Y, сумма Z. Рекомендуем позвонить сегодня».
5. После звонка агент анализирует результат (сделка закрыта/не закрыта) и дообучает модель. При успешной сделке фиксирует, какие факторы сработали .
6. Результаты за полгода: 11 000 компаний, 203 000+ сделок создано, 47 000 закрыто, конверсия 25% . В планах — довести конверсию до 50% .

Результат (подтверждённые данные):
✓ Более 200 000 сделок создано без участия человека за 6 месяцев.
✓ 35% пользователей регулярно заключают сделки, инициированные ИИ .
✓ Конверсия 25% — каждая четвёртая сделка успешна.
✓ Менеджеры работают с «тёплыми» клиентами, а не прозванивают базу вслепую

🧑‍💼 Финансовый директор / CFO — точный прогноз выручки и маржи, управление портфелем заказов, бюджетирование .
🧑‍💼 Руководитель отдела продаж / коммерческий директор — контроль воронки, выявление «зависших» сделок, увеличение конверсии .
🧑‍💼 Категорийный менеджер / логист — прогноз спроса, управление запасами, предотвращение OOS .
🧑‍💼 Маркетолог / CRM-маркетолог — автоматизация повторных продаж, работа с «тёплой» базой, рост LTV

🔵 1С:ERP / 1С:Управление торговлей / 1С:CRM
— Портфель заказов: агент получает данные о всех текущих сделках, их стадиях, вероятности закрытия и плановых датах. Использует метод скользящего БДР (бюджета доходов и расходов) для прогноза выручки на год: Прогноз = YTD (факт с начала года) + YTG (прогноз до конца года) .
— Ранжирование по маржинальному доходу: агент рассчитывает маржинальную рентабельность каждого заказа и ранжирует их для выбора наиболее прибыльных (методы линейного программирования) .
— Интеграция через HTTP-сервисы: автоматический обмен данными о заказах, остатках и контрагентах без ручного ввода .

🟡 ML-сервисы прогнозирования (OSMI IT, Инфосистемы Джет)
— Двухфакторный ABC-анализ: агент классифицирует товары по выручке и количеству заказов (матрица 3×3: AA, AB, AC, BA, BB, BC, CA, CB, CC). Товары AA — ключевые для бизнеса, CC — кандидаты на вывод .
— Прогноз спроса на основе ML: учёт исторических данных, сезонности, аномальных всплесков, погодных условий, производственного календаря. Точность 75–80% на 2–7 дней (кейс «Утконос») .
— Алерты OOS: автоматическое выявление угрозы дефицита (запас < N дней), уведомления в Telegram/Битрикс24 .

🔵 Битрикс24 (REST API, AI-инструменты)
— AI для повторных продаж: агент ежедневно анализирует историю взаимодействий с клиентами, выявляет подходящие сделки для повторной покупки и автоматически создаёт их в CRM. Менеджеру остаётся только связаться с клиентом. За полгода работы инструмента создано 203 000+ сделок, конверсия 25% .
— Прогнозирование на основе воронки: агент анализирует конверсию на каждом этапе и предсказывает объём закрытых сделок на период.
— Интеграция с телефонией и мессенджерами: все обращения фиксируются в CRM и учитываются в прогнозе .

🟢 Маркетплейсы (Ozon, Wildberries, Яндекс Маркет) через API
— Сбор данных о продажах и остатках: агент получает отчёты о реализациях, заказах, исторических остатках по каждому SKU .
— Приведение данных к единому виду: сопоставление полей из разных отчётов маркетплейсов для корректного прогноза .
— Прогноз поставок на склады FBO: расчёт необходимого количества SKU для поставки с учётом оборачиваемости и прогноза продаж .

🟡 Yandex DataLens + Битрикс24 (BI-визуализация)
— Дашборды прогнозов: визуализация прогнозной выручки, маржинального дохода, оборачиваемости товаров, угроз OOS. Фильтрация по менеджерам, товарным категориям, регионам .
— Интеграция с внешними данными: подключение календаря маркетплейсов для подсветки периодов акций, данных о погоде, курсах валют .

🟢 iPaaS / ESB (интеграционные шины)
— Связь всех систем: агент использует iPaaS-платформы для бесшовной интеграции CRM, 1С, маркетплейсов, складских систем и источников внешних данных. Обеспечивает работу в реальном времени 

• Основная LLM для RAG и анализа сделок: 🇷🇺 YandexGPT 5 Pro — анализ текстов сделок, генерация скриптов для повторных продаж, контекст 32К токенов, интеграция с Яндекс.Метрикой и DataLens .
• Специализированные ML-модели (прогнозирование):
— Градиентный бустинг (CatBoost, XGBoost) — прогноз спроса и продаж на основе исторических данных (кейс OSMI IT, Инфосистемы Джет) .
— Временные ряды (Prophet, ARIMA) — учёт сезонности, трендов, праздничных дней .
— Линейное программирование — оптимизация портфеля заказов по маржинальному доходу (кейс 1С:ERP+PM) .
• Альтернативы для локального развёртывания:
— 🇨🇳 GLM-4.7-Flash (30B MoE, 64 эксперта) — контекст 200K токенов, VRAM 17–23 ГБ (RTX 4090). Для анализа больших объёмов исторических данных.
— 🇷🇺 YandexGPT 5 Lite Pretrain (8B) — open-source версия, для дообучения под специфику отрасли.
• GPU VPS (умеренная нагрузка, до 10 000 SKU):
— NVIDIA RTX 4090 (24 ГБ) — оптимально для GLM-4.7-Flash и инференса лёгких версий YandexGPT. Развёртывание через vLLM. Доступно в Т1 Cloud / Yandex Cloud.
— NVIDIA L40S (48 ГБ) — для комплексных сценариев с одновременным запуском нескольких ML-моделей и обработкой данных в реальном времени